MODELO DE SIMULACIÓN€¦ · Modelo conceptual de TCAS. Fuente [13] En la Tabla 1 se muestran los...

MODELO DE SIMULACIÓN

BASADO EN AGENTES PARA LA

MEJORA DEL SISTEMA TCAS

Memòria del Treball Fi de Grau

Gestió Aeronàutica

realitzat per

Stanislav Ilkov Pergelov

i dirigit per

Miquel Àngel Piera Eroles

Sabadell, Julio de 2016

El sotasignat, Miquel Àngel Piera Eroles,

professor de l’Escola d’Enginyeria de la UAB,

CERTIFICA:

Que el treball a què correspon aquesta memòria ha estat realitzat sota la seva supervisió per en Stanislav Ilkov Pergelov

I per tal que consti firma la present.

Signat: ............................................

Sabadell, ........de...............................de 2016

FULL DE RESUM – TREBALL FI DE GRAU DE L’ESCOLA D’ENGINYERIA

Títol del Treball Fi de Grau (obligatori en tres idiomes: Català,

Castellà, Anglès)

Modelo de simulación basado en agentes para la mejora del sistema

TCAS

Autor[a]:Stanislav Ilkov Pergelov Data: Julio, 2016

Tutor[a]/s[es]:Miquel Àngel Piera Eroles

Titulació: Gestió Aeronàutica

Paraules clau (mínim 3)

Català:Sistema Multi-Agent, conflicte, detecció, evasió, col·lisió, Netlogo,

aeronau

Castellà:Sistema Multi-Agente, conflicto, detección, evación, colisión,

Netlogo, aeronave

Anglès:Multi Agent System, conflicte, detection, avoidance, collision,

Netlogo, airplane

Resum del Treball Fi de Grau (extensió màxima 100 paraules)

Català: Aquest projecte explorarà la introducció de les Sistemes Multi-Agents

(MAS) en la detecció i resolució de conflictes amb el objectiu de millorar la

seguretat aèria i la coordinació entre les aeronaus en el espai aeri. Es pretén

desenvolupar una simulació basada en agents per avaluar la eficàcia i

millorar el sistema TCAS considerant un escenari real o sintètic de tràfic en

conflicte. Per resoldre aquest conflicte es tindran en consideració diferents

kpi’s de les companyies aèries involucrades.

Castellà: Este proyecto explorará la introducción de los Sistemas Multi-

Agente (MAS) en la detección y resolución de conflictos con el objetivo de

mejorar la seguridad aérea y la coordinación entre las aeronaves en el

espacio aéreo. Se pretende desarrollar una simulación basada en agentes

para evaluar la eficacia y mejorar el sistema TCAS considerando un escenario

real o sintético de tráfico en conflicto. Para resolver este conflicto se tendrán

en cuenta diferentes kpi’s de las compañías aéreas involucradas.

Anglès: This project will explore the introduction of Multi-Agent System

(MAS) in the detection and resolution of conflicts in order to improve aviation

safety and coordination between aircraft in airspace . It aims to develop an

agent-based simulation to evaluate the effectiveness and improve the TCAS

system considering a real or synthetic traffic scenario in conflict. To resolve

this conflict different kpi 's of the involved airlines will be considered.

Índice Capítulo 1 ................................................................................................................................................ 1

1.1 Introducción ............................................................................................................................... 3

1.2 Motivación ................................................................................................................................... 7

1.3 Objetivos ....................................................................................................................................10

1.3.1. Objetivo principal ....................................................................................................10

1.3.2. Objetivos específicos ..............................................................................................10

1.4 Estudio de viabilidad.............................................................................................................11

1.5 Netlogo .......................................................................................................................................12

Capítulo 2. Estado del arte..............................................................................................................15

2.1. TCAS ..........................................................................................................................................17

2.2. Modelado basado en agentes ...........................................................................................19

Capítulo 3. Modelo MAS de un nuevo TCAS .............................................................................23

3.1 Escenario considerado .........................................................................................................25

3.2 Descripción de Agentes y variables .................................................................................26

3.3 Flujo del modelo .....................................................................................................................29

3.3.1 Algoritmo de detección ................................................................................................30

3.3.2 Actualización del algoritmo de detección .............................................................32

3.3.3 Validación del algoritmo de detección ...................................................................33

3.3.4 Negociación .......................................................................................................................35

3.3.5 Recuperación de la trayectoria inicial – procedimiento Volver ...................35

Capítulo 4. Resultados obtenidos ................................................................................................37

4.1 Escenario 1 ................................................................................................................................39

4.2 Escenario 2 ................................................................................................................................41

4.3 Escenario 3 ................................................................................................................................42

Capítulo 5. Conclusiones y líneas de trabajo futuras ...........................................................45

5.1. Conclusiones ...........................................................................................................................47

5.2. Líneas futuras de trabajo ....................................................................................................47

Bibliografía ...........................................................................................................................................51

Índice de figuras

Figura 1. Horas de vuelo anuales vs ratio de colisiones. ..................................................... 3

Figura 2. Separación estándar. ...................................................................................................... 4

Figura 3. Criterios de vigilancia de TCAS. .................................................................................. 5

Figura 4. Modelo conceptual de TCAS. ......................................................................................... 6

Figura 5. Escenario de colisión inducida entre 4 aeronaves. .............................................. 7

Figura 6. Crecimiento anual por estado (2022 vs 2015). ..................................................... 7

Figura 7. Número de vuelos extra por día (2035 vs 2012).................................................. 8

Figura 8. Captura del escenario inicial ......................................................................................26

Figura 9. Monitor de turtles con la simulación ejecutada ..................................................28

Figura 10. Variables globales ........................................................................................................29

Figura 11. Captura de la ventana de ejecución del modelo ...............................................30

Figura 12. Código del algoritmo de detección. .......................................................................31

Figura 13. Agentes generados para la detección de intrusos. ..........................................32

Figura 14. Captura del escenario 1 de la validación del algoritmo de detección. .....33

Figura 15. Captura del escenario 1 de la validación del algoritmo de detección. .....34

Figura 16. Captura de la simulación del escenario 1............................................................40

Figura 17. Captura del escenario 1 con las trayectorias libres de conflicto. ...............40


Figura 19. Captura del escenario 2 con las trayectorias libres de conflicto. ...............42


Figura 21. Captura delas trayectorias del escenario 3 ........................................................43

Figura 22. CPU time vs distancia de detección. ......................................................................48

Índice de tablas

Tabla 1. Tabla 1. Criterios de TCAS para TA y RA ................................................................... 6

Tabla 2. Catalogación de los riesgos ...........................................................................................12

Tabla 3.Plan de contingencia .........................................................................................................12

CAPÍTULO1. INTRODUCCIÓN

1

Capítulo 1 1.1 Introducción

1.2 Motivación

1.3 Objetivos 1.3.1 Objetivo principal

1.3.2 Objetivos específicos

1.4 Estudio de viabilidad

1.5 Netlogo


2


3

Capítulo 1. Introducción

1.1 Introducción

Cuando ocurre un accidente de tráfico aéreo las consecuencias suelen ser

catastróficas. Raras veces hay supervivientes y el impacto social y económico

es enorme. Sin embargo el transporte aéreo sigue siendo el más seguro

comparado con el resto de tipos de transporte. Como se puede ver en la Figura

1 el número de horas de vuelo se ha cuadriplicado en las últimas décadas, sin

embargo el ratio de accidentes aéreos ha disminuido considerablemente.

Figura 1. Horas de vuelo anuales vs ratio de colisiones. Fuente [15]

Para prevenir que ocurran este tipo de accidentes el espacio aéreo está

organizado de manera que queda protegido a través de varias capas de

seguridad. El flujo del tráfico está organizado por aerovías con una separación

vertical de mil pies y una separación lateral de cinco millas náuticas. Los

controladores aéreos aseguran que las separaciones sean respetadas guiando

los pilotos con suficiente antelación. TCAS es un componente de la seguridad

aérea que actúa cuando los demás han fallado.

TCAS (Traffic Alert and Collision Avoidance System en inglés) también

conocido como el Sistema anticolisión de a bordo (ACAS) es un sistema

diseñado para alertar a los pilotos sobre el tráfico cercano y es la última capa


4

de seguridad contra las colisiones en el aire. El sistema monitorea el espacio

aéreo alrededor para detectar otras aeronaves que pueden presentar una

amenaza. TCAS opera independientemente del equipamiento terrestre y

proporciona a los pilotos orientación sobre la forma de evitar un posible

conflicto. En este contexto consideramos que dos o más aeronaves están en

conflicto cuando se pierde la separación arriba mencionada. La Figura 2

muestra la zona de seguridad que no debe ser violada.

Figura 2. Separación estándar. (Fuente [14])

Para su funcionamiento es necesario que las aeronaves estén equipadas con

transponders que respondan a las interrogaciones del radar. El TCAS usa a los

transponders y antenas propias para poder ubicar una aeronave cercana,

analizar si representa peligro y, dependiendo del modo de transponder(A, C o

S) que se esté usando, poder coordinar una resolución conjunta de una

colisión. Una vez que el procesador identifica un problema, sigue al intruso,

evalúa el riesgo para la aeronave y de manera coordinada da una solución para

resolver el conflicto. Basado en la posición, altitud y distancia de los demás

aviones, TCAS clasifica a las aeronaves intrusas como: Non Threat, Proximity,

Traffic Advisory (TA), Resolution Advisory (RA).

El algoritmo de detección de colisiones de TCAS consiste en proyectar la posición

de la aeronave en el futuro e identificar posibles conflictos basándose en varios

parámetros como separación horizontal y vertical y tiempo hasta el punto de

encuentro. Es necesario que ambas aeronaves estén equipadas con TCAS II para

poder coordinar una resolución (RA). En la Figura 3 se pueden ver los criterios de

vigilancia del TCAS y el tiempo en segundos en el cual se da un aviso de tráfico

(TA) o una resolución de conflicto (RA).


5

Figura 3. Criterios de vigilancia de TCAS. Fuente (1)

Si existe una amenaza en la zona TA (20-48 segundos dependiendo de la altitud)

se dispara un aviso acústico en cabina. Así, los pilotos están avisados del posible

conflicto y pueden hacer una búsqueda visual y prepararse para una maniobra de

evasión.

En cambio si el intruso está a (15 – 35 segundos dependiendo de la altitud) de la

colisión se dispara un RA con un aviso acústico tipo Climb, Climb indicando la

maniobra necesaria para evitar el encuentro. La maniobra de evasión

recomendada es coordinada entre las dos aeronaves. Los pilotos deben

reaccionar inmediatamente ante un RA para conseguir la separación mínima

necesaria.

Cuando la amenaza haya pasado TCAS avisa a ambas aeronaves con un mensaje

que están libres de conflicto.

En la Figura 4 la aeronave i recibe un RA de descenso mientras que la aeronave j

recibe orden de ascenso. De esta manera se consigue la separación mínima en

altitud (ALIM) en el CPA entre las dos aeronaves.


6

Figura 4. Modelo conceptual de TCAS. Fuente [13]

En la Tabla 1 se muestran los criterios para TA y RA.

Tabla 1. Tabla 1. Criterios de TCAS para TA y RA

Cuando el conflicto es entre más de dos aeronaves, TCAS resuelve los conflictos

indicando una maniobra coordinada (RA) que proporciona la separación

necesaria a cada pareja en conflicto sin considerar el resto de tráfico alrededor.

Resolviendo de esta manera es posible que la RA indicada evite la colisión con la

aeronave en conflicto pero al mismo tiempo genere una colisión inducida con

otra aeronave. Para evitar estas colisiones inducidas es imprescindible tener en

consideración el tráfico colindante.


7

Con la ayuda de las técnicas MAS en este proyecto se exploraran las vías que

solucionen de una manera eficiente los conflictos existentes y evitar colisiones

inducidas. En la Figura 5 se puede observar como las aeronaves 1 y 4 generan una

colisión inducida al resolver el conflicto con sus amenazas correspondientes.

Figura 5. Escenario de colisión inducida entre 4 aeronaves. Fuente [13]

1.2 Motivación

Según Eurocontrol se espera que la demanda en el sector de transporte aéreo

aumente considerablemente en los próximos años. La Figura 6 muestra el

crecimiento medio anual por estado de los movimientos IFR a medio plazo

(2015 - 2022). El porcentaje medio de crecimiento se sitúa en 2.2% para

Europa.

Figura 6. Crecimiento anual por estado (2022 vs 2015). Fuente (Eurocontrol 2016)


8

Figura 7. Número de vuelos extra por día (2035 vs 2012). Fuente (Eurocontrol 2016)

Por otro lado en la Figura 7 se observa el crecimiento de vuelos extra por día

a largo plazo (2012 - 2035). Se espera que los vuelos pasen de 10 a cerca de

17 millones al año. El número máximo de vuelos en un día actualmente está

en 33 000 con una previsión de alcanzar los 50 000 en el año 2030.

Para poder dar respuesta a esta futura demanda se están desarrollando

nuevos conceptos en ATM (Air Traffic Management).

SES (Single European Sky) es un programa propuesto por Comisión Europea

para eliminar las fronteras en el espacio aéreo entre los países. Los objetivos

más importantes de este programa son:

Incrementar la capacidad del espacio aéreo

Reestructurar el espacio aéreo

Incrementar la eficiencia del ATM

Para conseguir los objetivos del SES se ha puesto en marcha el programa

SESAR (Single European Sky ATM Research). Es la dimensión tecnológica del

SES que coordina la investigación y el desarrollo de los mecanismos

necesarios para conseguir los objetivos arriba mencionados.

Otro concepto relacionado es Free Route que ofrece a los usuarios una ruta

más cercana al plan de vuelo preferido. En un espacio aéreo Free Route se

define un punto de entrada y un punto de salida del dicho espacio pero los

usuarios pueden planear la ruta que más les convenga sin seguir rutas

preestablecidas. En todo momento los vuelos son sujetos al control de tráfico

aéreo.


9

El Free routing no es solo una manera de mejorar la eficiencia y la capacidad

del espacio aéreo. Es el paso intermedio hacia 4D Business Trajectory, uno de

los retos más importantes para conseguir los objetivos del programa SESAR.

Estas trayectorias son expresadas en espacio y tiempo y son compartidas con

antelación con el resto de usuarios con el fin de planificar y negociar el encaje

de las mismas en el espacio aéreo. Dichas trayectorias son las Shared Business

Trajectory (SBT) que posteriormente evolucionan hacia las Reference Business

Trajectory (RBT) implementadas momentos antes del vuelo. Son las

trayectorias acordadas entre los usuarios y los proveedores de servicios de

navegación aérea.

Un proyecto similar llamado NEXTGEN se está llevando a cabo en EE. UU. Los

objetivos de este programa no distan mucho de los de SESAR: incrementar la

capacidad del espacio aéreo, incrementar la seguridad y reducir las emisiones

de CO2.

Estos nuevos conceptos permitirán a las aeronaves más flexibilidad para

cambiar la trayectoria inicial con lo cual la responsabilidad de separación en

algunos casos será delegada a cada aeronave. Como consecuencia se

necesitaría especial énfasis en el incremento de la capacidad de cada

aeronave de detectar y evitar colisiones. Surge la necesidad de mejorar los

algoritmos de detección y evasión de conflictos en ruta para poder mantener

y/o mejorar la seguridad en vuelo y dar cabida a la demanda prevista en el

futuro.

El ATM actual está llegando a su capacidad máxima. Las normas y

procedimientos actuales en la gestión del tráfico aéreo no podrán hacer frente

al futuro crecimiento de la demanda. Es de vital importancia que todos los

actores de la industria del transporte aéreo colaboren para identificar

medidas que puedan mejorar la capacidad y la eficiencia del espacio aéreo.

Para medir la eficiencia del ATM existen una serie de indicadores llamados

kpi’s. Algunos de ellos son:

La comparación del plan de vuelo con la distancia de la trayectoria

óptima. Este indicador es influenciado por las decisiones de los

controladores para modificar las trayectorias y por el diseño del

espacio aéreo.

Capacidad del espacio aéreo. El máximo número de vuelos que un

sector puede asumir en condiciones normales. Se utiliza para

comprobar que los proveedores de servicios de navegación aseguran

una capacidad que pueda asumir la demanda actual.

Retraso en ruta. Retrasos atribuidos a las restricciones que presenta el

ATM.


10

Las restricciones del espacio aéreo introducen costes adicionales a las

compañías aéreas. Por ejemplo cuando los controladores indican una

maniobra para asegurar la distancia mínima de separación desvían a la

aeronave de su ruta inicial con el consecuente consumo de combustible.

También pueden introducir retrasos que se traducen en costes de tripulación.

Este proyecto explorará la introducción de los Sistemas Multi-Agente (MAS)

en la detección y resolución de conflictos con el objetivo de mejorar la

seguridad aérea y la coordinación entre las aeronaves en el espacio aéreo y al

mismo tiempo reducir los costes adicionales que pueden ser introducidos por

las restricciones que presenta el ATM. La diferencia principal con el TCAS

convencional es que las aeronaves negociaran el cambio de trayectorias antes

de la necesidad de hacer una maniobra brusca para evasión de conflicto y al

mismo tiempo evitar que se generen colisiones inducidas.

1.3 Objetivos

1.3.1. Objetivo principal

Se pretende desarrollar una simulación basada en agentes para evaluar la

eficacia y mejorar el sistema TCAS considerando un escenario real o sintético

de tráfico con conflicto. Para resolver este tipo de escenarios es necesario

proponer maniobras a las trayectorias originales considerando diferentes

indicadores económicos de las aerolíneas involucradas. De entre todas las

posibles maniobras libres de conflicto, se trata de encontrar una solución

óptima para todos los agentes minimizando la desviación de las trayectorias

iniciales y el impacto económico y medioambiental. Así tendrán que negociar

entre ellos para encontrar las trayectorias factibles que eviten colisiones y

penalicen al mínimo a cada agente y al mismo tiempo eviten generar

colisiones inducidas. La plataforma utilizada para desarrollar la simulación

será Netlogo.

1.3.2. Objetivos específicos

Para poder cumplir el objetivo principal se definirán objetivos parciales que

aportaran la información necesaria para la consecución del objetivo principal.

Estos objetivos a corto plazo permitirán determinar una metodología de


11

estudio y análisis de los ámbitos necesarios para la realización de este

proyecto.

Estudiar el funcionamiento del sistema TCAS y su evolución

histórica. Resulta necesario conocer cómo ha ido cambiando el

sistema a lo largo de los años para poder determinar cuál es la

mejor estrategia para la resolución de un conflicto.

Estudiar el funcionamiento de los modelos de simulación

basados en agentes y en concreto la plataforma Netlogo.

Desarrollo de los algoritmos para la resolución del problema

Diseñar y ejecutar un conjunto de experimentos que permitan

evaluar y validar el potencial del modelo desarrollado.

1.4 Estudio de viabilidad

Para determinar la viabilidad de un proyecto es imprescindible analizar los

objetivos definidos y ver si estos se pueden cumplir con éxito. Por otro lado

se definirán una serie de riesgos, se catalogaran en función de la probabilidad

de que sucedan y se elaborara un plan de contingencia para determinar cual

el la mejor manera de solucionarlos.

Analizando los objetivos, este trabajo será viable si se puede realizar un

estudio detallado del sistema TCAS, los sistemas multi-agente y el entorno de

simulación Netlogo. También será necesario conseguir información real

referente a los indicadores económicos que utilizan las compañías aéreas y

las trayectorias a simular.

Riesgos del proyecto:

R1: Planificación temporal errónea

R2: No conseguir datos reales para la simulación

R3: No realizar alguna de las tareas planificadas

R4: Falta de capacidad para modelar el sistema

R5: Que el entorno de simulación no tenga capacidad de escalabilidad

R6: Que el entorno de simulación no soporte la definición de algunas

dinámicas

R7: Falta de información referente al indicadores económicos de las

compañías aéreas

R8: Abandono del proyecto por algún motivo


12

Catalogación de los riesgos:

RIESGO PROBABILIDAD IMPACTO R1 Media Medio R2 Media Medio R3 Baja Alto R4 Baja Alto R5 Media Medio R6 Media Alto R7 Alta Medio R8 Baja Critico

Tabla 2. Catalogación de los riesgos

Plan de contingencia:

Riesgo Solución R1 Planificación nueva del proyecto y plantearse de eliminar algunas

tareas con poca importancia e impacto bajo sobre el proyecto R2 Trabajar con datos sintéticos(académicos) R3 Valorar la importancia de la tarea y si se puede prescindir de la

misma R4 Buscar asesoramiento externo y por parte del tutor R5 Cambiar el entorno de simulación por uno con más capacidad R6 Cambiar el entorno de simulación por uno con más capacidad R7 Trabajar con datos recomendados por parte de los fabricantes de

aeronaves R8 Intentar reconducir la situación para poder llevarlo a cabo

Tabla 3.Plan de contingencia

1.5 Netlogo

Netlogo es un entorno para la simulación de fenómenos naturales y sociales

suficientemente avanzado para utilizarlo como herramienta potente para

investigaciones en diferentes áreas [12]. Es un software adecuado para

modelar sistemas complejos y dinámicos como la gestión de tráfico aéreo y

ver cómo se comportan los agentes en un entorno cambiante con la evolución

del tiempo. En este contexto se define a un agente como un individuo capaz

de tomar decisiones de manera autónoma e interactuar con otros agentes y el

entorno que le rodea.

En la interfaz de Netlogo encontremos tres pestañas principales con las

secciones que nos permiten definir y ejecutar los modelos.


13

Pestaña Ejecutar: es la que nos permite visualizar el modelo y ejecutar

la simulación. También nos permite añadir controles adicionales para

poder controlar variables globales para modificar el comportamiento

global del sistema. Por otro lado se pueden introducir gráficas y

diferentes tipos de monitores que actualizan la información con la

ejecución del modelo y ayudan a entender los datos que el modelo está

generando.

Pestaña Información: en esta pestaña el creador del modelo puede

explicar cómo funciona la simulación y los aspectos importantes que

hay que tener en cuenta al ejecutarlo.

Pestaña Código: aquí se dónde se escriben los procedimientos del

modelo que definen el comportamiento de los agentes.

Los agentes presentes en Netlogo son los siguientes:

Turtles: son los agentes móviles.

Patches: representas una porción del entorno.

Links: son agentes que pueden conectar las turtles.

Observador: este agente puede dar instrucciones sobre los demás

agentes.

Netlogo permite modelar en 2D y en 3D. Este proyecto se modelara en 3D.

También existe una extensa biblioteca de modelos que ayudan al modelador

a entender mejor el funcionamiento del software (Netlogo, 2016).


14

15

CAPÍTULO 2. ESTADO DEL ARTE

Capítulo 2. Estado del arte

2.1. TCAS

2.2. Modelado basado en agentes

16


17


Capítulo 2. Estado del arte

2.1. TCAS

La creciente demanda de movilidad en el siglo XXI pone a los investigadores

ante el reto de encontrar herramientas y técnicas más eficientes para

solucionar los problemas del tráfico y del transporte (Bazzan y Klugl, 2014).

A continuación se realizara un análisis de la investigación sobre el Sistema de

Alerta de Tráfico y Evasión de Colisión (TCAS) que se utiliza como última capa

de seguridad para disminuir el riesgo de colisiones en el aire (NMAC), y forma

parte del equipamiento obligatorio en todos los aviones de transporte

comercial (Tang et al., 2015). Posteriormente se hará un estudio sobre los

enfoques basados en agentes destinados a evitar colisiones.

Kuchar y Yang (2000) aportan un resumen y debate sobres los principales

enfoques utilizados para solucionar problemas de detección y resolución de

conflictos (CD&R). En su estudio, los autores citan más de 60 métodos

diferentes propuestos por distintos investigadores para solucionarlos. Estos

métodos se han desarrollado no solo para el espacio aéreo, sino también para

vehículos terrestres, robótica y aplicaciones marítimas ya que los aspectos

fundamentales relativos a evitar conflictos son similares en todos los medios

de transporte. Kuchar y Yang (2000), definen un conflicto como un

acontecimiento en el que dos o más aviones pierden la separación mínima. En

consecuencia, el objetivo del sistema de CD&R es predecir la ocurrencia de un

conflicto en el futuro, comunicar el conflicto detectado a un operador humano

y en algunos casos, colaborar en la resolución de la situación de conflicto.

Específicamente respecto a TCAS, Kuchar y Yang (2000) observan que los

casos de contradicción entre la detección y solución de conflictos por parte

del controlador de tráfico aéreo y las alertas TCAS han tenido lugar desde la

introducción de TCAS. Los autores sugieren que en futuros enfoques, será

importante tener en cuenta más aspectos, entre ellos los efectos de la

incertidumbre, la capacidad de gestionar conflictos múltiples, coordinación,

requisitos computacionales, problemas de implementación y aceptación por

parte de los pilotos y los controladores.

Según Billingsley (2009), en los métodos de análisis de seguridad utilizados

inicialmente para apoyar el desarrollo del TCAS se simularon un gran número

de encuentros entre dos aviones y se analizó el comportamiento de la lógica

de TCAS en la solución de estos encuentros. Sin embargo, como observa

Billingsley (2009), utilizando estos métodos no se ha analizado

rigurosamente el comportamiento de la lógica multiamenaza de TCAS y no se

18


entienden muy bien los mecanismos internos de la lógica. TCAS resuelve los

encuentros multiamenaza seleccionando un aviso de solución (RA) que

proporciona la separación vertical adecuada en cada amenaza. Puede hacerlo

enviando el mismo RA de un encuentro de amenaza única o una combinación

de RA de sentido ascendente y descendente (p.e., No Ascender y No

Descender). Según Billingsley (2009), la preocupación principal en los

encuentros multiamenaza es que TCAS puede enviar una maniobra

inadecuada que solucione el encuentro con la primera amenaza pero que

induzca a colisión con una amenaza secundaria, o que sea incompatible (p.e.,

RA de Ascenso y Descenso simultáneos). En el estudio de Billingsley (2009),

se utilizó el modelo de encuentro correlacionado para generar un encuentro

uno a uno entre dos aviones y para posteriormente utilizar una versión

modificada del modelo para generar un tercer avión involucrado en el

encuentro. Los resultados indican que en encuentros multiamenaza, la lógica

TCAS duplica las colisiones en el aire y aproximadamente las quintuplica

respecto a los encuentros uno a uno. Billingsley (2009) observó que TCAS

proporciona más seguridad en encuentros multiamenaza mediante avisos de

solución que comportan una mayor separación vertical entre el avión

equipado y el primer intruso. Además, el estudio evidenció que la Versión 7.1

de TCAS en encuentros multiamenaza aumenta en un 0,45% la seguridad en

comparación con la Versión 7.0. Los cambios de lógica de la Versión 7.1

trabajan conjuntamente con la lógica multiamenaza para resolver geometrías

relativas a encuentros.

En el estudio de Tang et al. (2015), los autores trataron el problema de que en

casos de tráfico intenso TCAS puede inducir a una colisión potencial y que

faltan mecanismos para mejorar la función de evasión de TCAS en tráfico

aéreo denso. Su estudio se basa en un modelo CPN causal teniendo en cuenta

las operaciones de evasión basadas en TCAS para generar todos los posibles

estados futuros en los que deberían destacarse los potenciales estados de

colisión. El modelo causal de Tang et al. (2015) puede mejorar el

comportamiento de TCAS a nivel operativo en escenarios de tráfico de alta

densidad para facilitar un control preciso de todo el tráfico y para asegurar

operaciones seguras y eficientes.

Para verificar la viabilidad de la técnica propuesta, Tang et al. (2015)

realizaron varios experimentos de simulación en un escenario multiamenaza

que reunía las siguientes características: (1) Un escenario bastante complejo

con varios aviones, (2) Implica interrelación (también denominada efecto

dominó) entre amenazas cercanas. Por ejemplo, una nueva amenaza

secundaria puede emerger en el proceso de resolución de sus respectivas

amenazas anteriores. (3) Permite a cada uno de los aviones implicados

seleccionar diferentes cambios de rumbos (ascender/sin

19


variaciones/descender). La principal contribución de Tang et al. (2015) es

una mejora innovadora del comportamiento de evasión de TCAS utilizando

un modelo causal de CPN basado en el espacio de estado generado que ayuda

a comprender los casos de colisión potencial para evaluar riesgos mediante la

representación de la relación causa efecto de cada acción y también ayuda a

la tripulación del avión implicada a encontrar una opción cooperativa y viable.

Liang (2015) sigue un enfoque distinto. Su trabajo presenta un sistema de

razonamiento basado en casos para la solución automatizada de conflictos de

corto alcance en ruta en situaciones de Alerta de Conflicto a Corto Plazo

(STCA). El estudio consta principalmente de dos aspectos: representación y

recuperación de casos. En primer lugar, se presentan las experiencias del

controlador en solución de conflictos como un conocimiento específico

organizado en el marco y características del caso que se analizan

detalladamente. En segundo lugar, se realiza la recuperación de casos para

obtener el mejor caso histórico coincidente con el nuevo caso mediante

cálculos de similitud basados en el algoritmo de cercanía más parecido.

2.2. Modelado basado en agentes

Durante la última década, ha habido grandes progresos en la ingeniería de

transporte y tráfico debido al uso de tecnología de agentes (Bazzan y Klugl,

2014). Debido a la creciente complejidad de los sistemas de transporte y de

tráfico ocasionada por el modo de vida moderna y nuevos medios de

organización del transporte, no solo hay que desarrollar nuevas técnicas sino

también comprender mejor las opciones individuales para que todo el

sistema sea más eficiente. Se ha aceptado que los enfoques basados en

agentes se adaptan muy bien a la gestión de tráfico y transporte considerando

la distribución de datos y el control geográfico, funcional y temporal y

también la interacción frecuente y flexible entre los participantes y su entorno

(Bazzan y Klugl, 2014). Por ello, los enfoques basados en agentes pueden

contribuir al esfuerzo relacionado con el diseño y control de sistemas de

transporte inteligentes. Según Shah et al. (2005), los sistemas de gestión de

tráfico aéreo tiene las siguientes características que los hacen adecuados para

la simulación basada en agentes: 1. Implicar varios agentes en diversos roles

y con diversos y distintos fines y capacidades; 2. Orientado a finalidades u

objetivos; 3. Disponer de conocimientos, cultura y procesos establecidos y 4.

Capacidad de interactuar con su entorno.

Según Chen y Cheng (2010), el concepto de agentes inteligentes ya se aplica

en una gran variedad de aplicaciones en fabricación, sistemas de control en

tiempo real, comercio electrónico, gestión de redes, sistemas de transporte,

20


gestión de la información, computación científica, asistencia sanitaria y

espectáculos. Chen y Cheng (2010) manifiestan que desde el punto de vista

de la gestión del tráfico y del transporte, las características más interesantes

de los agentes son autonomía, colaboración y reactividad. El hecho de que los

agentes pueden operar sin la intervención directa de humanos u otros ayuda

a implementar sistemas automatizados de control y gestión de tráfico.

Además, los agentes son colaborativos. En un sistema multiagente (MAS), los

agentes se comunican con otros agentes en un entorno para alcanzar un

objetivo global. Además, los agentes también pueden percibir su entorno y

responder oportunamente a los cambios ambientales. Chen y Cheng (2010)

explican que la distribución geográfica y funcional y la naturaleza altamente

dinámica del control del tráfico aéreo (ATC) lo convierten en un candidato

ideal con muchas aplicaciones potenciales que se pueden modelar con MAS,

como la evasión de colisión y la gestión del flujo de tráfico aéreo. La

secuenciación óptima de aviones utilizando la planificación inteligente

(OASIS) presentada en Ljungberg y Lucas (1992) es un sistema en tiempo real

orientado a agentes desarrollado para dar soporte a la gestión del tráfico

aéreo. OASIS distribuye las tareas de gestión de tráfico aéreo entre dos clases

de agentes autónomos y cooperativos: agentes aéreos y agentes globales.

Iordanova (2003) propone la planificación de un tráfico aéreo sin conflictos

apoyado en arquitectura de DDS integrados para aeropuertos, líneas aéreas y

ATC. La coordinación y el intercambio adecuado de conocimientos del espacio

aéreo por estas tres partes garantizan la planificación del uso del mismo libre

de conflictos antes de que el avión despegue, durante el control en ruta y

aseguran un uso eficiente del espacio aéreo. La mayoría de sistemas ATC

basados en agentes se diseñan e implementan en arquitectura MAS. En estos

sistemas los agentes no actúan solos. Wangermann y Stengel (1996, 1998)

proponen utilizar negociación ejemplar en los sistemas inteligentes de

aviones/espacio aéreo para que tanto los aviones como las líneas aéreas

optimicen sus operaciones. Wollkind et al. (2004) proponen utilizar

negociación multiagente cooperativa para la solución de conflictos de tráfico

aéreo. La capacidad de coordinación de agentes en MAS es prometedora en

muchos sistemas de gestión ATC.

Chen y Cheng (2010) avisan que aunque MAS ofrece muchas ventajas, como

la descentralización y colaboración, también aumenta la complejidad del

sistema. No obstante, concluyen que los resultados de la investigación

demuestran claramente el potencial de utilizar tecnologías basadas en

agentes para mejorar el rendimiento de los sistemas de tráfico y transporte.

Sin embargo, Chen y Cheng (2010) afirman que la mayoría de aplicaciones

basadas en agentes se centran en el diseño y la simulación y que se

implementan y desarrollan pocas aplicaciones del mundo real. Por ello, Chen

21


y Cheng (2010) sugieren que el diseño, la implementación y la aplicación de

enfoques basados en agentes en el ámbito de tráfico y transporte todavía

necesitan madurar y seguir siendo estudiados.

Shah et al. (2005) explican que la simulación basada en agentes puede

integrar modelos cognitivos de conductas humanas, modelos físicos de

comportamiento tecnológico y descripción de su entorno operativo. Según

Shah et al. (2005), aunque las simulaciones basadas en agentes no pueden

incluir todos los aspectos del comportamiento del sistema, pueden

proporcionar conocimientos rápidos y rentables que pueden complementar

otras formas de análisis. En Shah et al. (2005), las simulaciones basadas en

agentes no se basan en modelos de alto nivel de un sistema de tráfico aéreo

sino que sitúan modelos de agente en un entorno enriquecido, los simulan en

un escenario realista y observan cuál es el resultante comportamiento del

sistema. En este caso los niveles de abstracción son (1) los agentes

(normalmente humanos como pilotos y controladores) y (2) el

comportamiento emergente general del sistema. Además del

comportamiento general del sistema, en simulaciones basadas en agentes los

agentes responden a su entorno y a los demás. Shah et al. (2005) especifican

que se ha utilizado el término agente en el sentido de cualquier cosa entre una

mera subrutina u objeto y una entidad adaptable, autónoma e inteligente;

pero en su trabajo utilizan la definición de Hayes de un agente como entidad

con (1) autonomía, es decir la capacidad de efectuar algunas operaciones

locales y (2) interactividad, es decir la necesidad y capacidad de interactuar

con otros agentes para realizar sus propias tareas y objetivos. Además, Shah

et al. (2005) especifican que la inclusión de un modelo de entorno en una

simulación basada en agentes requiere una concepción ligeramente distinta

de “entorno” de la utilizada generalmente en ingeniería de sistemas. Más que

considerar el entorno como algo exterior a los límites del sistema, en la

simulación basada en agentes el entorno abarca todos los elementos pasivos

del sistema que sitúan el funcionamiento de los agentes proactivos. El entorno

de los agentes puede tener un impacto radical en su comportamiento

individual y por ello, en la actuación del sistema emergente; sus elementos

(incluyendo espacio físico, nuevas tecnologías y procedimientos y

reglamentaciones) son frecuentemente los medios mediante los cuales se

realiza el cambio en todo el sistema. Shah et al. (2005) explican que la

simulación basada en agentes requiere dos nuevos desarrollos además de la

especificación conceptual de agente y modelos ambientales: (1) codificar

estos modelos conceptuales con suficiente exactitud para que puedan ser

implementados como objetos de software computacional y (2) colocar estos

objetos de software en una estructura de software mayor que cree y

mantenga sus correctas interacciones.

22


En resumen, la simulación basada en agentes es un método

comparativamente nuevo para analizar sistemas de gestión de tráfico aéreo.

Se basa en aquellos aspectos de sistemas de gestión del tráfico aéreo que se

pueden observar o especificar directamente– las prácticas de trabajo de los

propios agentes – y a partir de ello, predice el comportamiento del sistema en

conjunto, y las demandas correspondientes que el entorno presentará a sus

agentes, generalmente pilotos y controladores (Shah et al. (2005).

23

CAPÍTULO 3. MODELO MAS DE UN NUEVO TCAS

Capítulo 3. Modelo MAS de un nuevo TCAS

3.1 Escenario considerado

3.2 Descripción de Agentes y variables

3.3 Flujo del modelo

3.3.1 Algoritmo de detección

3.3.2 Actualización del algoritmo de detección

3.3.3 Validación del algoritmo de detección

3.3.4 Negociación

3.3.5 Recuperación de la trayectoria inicial –

procedimiento Volver

24


25


Capítulo 3. Modelo MAS de un nuevo TCAS

3.1 Escenario considerado

El objetivo principal de este proyecto es evaluar la eficacia y el potencial de

los Sistemas Multi-Agente aplicados en el ámbito de la detección y resolución

de conflictos en el espacio aéreo. Se presentara la simulación del sistema

TCAS donde los agentes negociaran las trayectorias con suficiente antelación

para evitar maniobras bruscas de Climb/Descend y desviarse lo mínimo

posible de sus trayectorias iniciales. El objetivo último de la mejora del

sistema TCAS simulado va en línea con los objetivos principales del programa

SESAR de incrementar la capacidad del espacio aéreo y la seguridad en ruta y

disminuir los efectos sobre el medio ambiente.

Debido a la dificultad para conseguir datos reales el modelo utilizara datos

sintéticos (académicos) referentes a las trayectorias simuladas y los

indicadores económicos de las compañías aéreas.

Inicialmente se considera un escenario de 4 aeronaves en el cual existen 2

conflictos, uno por cada pareja de aeronaves. Posteriormente se añaden más

aeronaves (hasta 6) generando escenarios de multi-amenaza donde los

conflictos aumentan de manera considerable y la resolución de los mismos se

hace más compleja.

Aunque el objetivo de este proyecto es encontrar soluciones colaborativas

entre los agentes, se simulara un escenario donde los agentes compiten entre

sí para encontrar la mejor solución a nivel individual. Esta simulación se hará

con 6 aeronaves y tiene como objetivo comparar la diferencia de coste entre

los escenarios colaborativo y competitivo.

El tiempo en Netlogo se mide en pasos discretos llamados ticks. Cada vez que

la simulación avanza un paso el número de ticks se incrementa en una unidad.

Se asume que cada patch tiene 1Nm, la velocidad de las aeronaves es

constante a 360 knot y cada tick equivale a 1 segundo.

En la Figura 8 se muestra el escenario inicial de la simulación.

26


Figura 8. Captura del escenario inicial

3.2 Descripción de Agentes y variables

Los agentes utilizados en este proyecto se representan a través de turtles y

patches según la terminología de Netlogo. Las aeronaves están representadas

por las turtles y los patches representan las trayectorias y los puntos de

conflicto que existen entre las aeronaves.

Las turtles tienen variables inherentes como el número identificador, las

coordenadas xyz, heading, pitch, etc. que juegan un papel importante en esta

simulación. Se ha predefinido la forma de las tortugas visibles como

“airplane”.

A parte de estas se han definido otras variables necesarias para el

funcionamiento del modelo que se detallan a continuación:

n_pitch; esta variable conserva el pitch inicial de cada aeronave

necesario para poder volver a su trayectoria una vez resuelto el

conflicto

m_distance; esta variable es de tipo lista y guarda la distancia hasta el

punto de conflicto con cada una de las aeronaves (en el caso de exista

más de un conflicto)

lp; es el conjunto de patches que conforman la trayectoria inicial de la

aeronave

new-lp; esta conjunto de patches representa la trayectoria modificada

de la aeronave después de efectuar un Climb/Descend

conflict; esta variable cuenta el número de conflictos que tiene la

aeronave

27


id-conflict; contiene la lista de identificadores de las aeronaves con las

que hay un conflicto

movements; cuenta los movimientos que ha efectuado cada aeronave

col1; contiene la lista de patches en los que hay un conflicto

col2; contiene la lista de tiempos hasta llegar al col1

last-p; es el último patch de la trayectoria

cost; es el coste acumulado por los movimientos efectuados para

resolver los conflictos.

En la siguiente Figura se muestran dos turtles con la ventana de variables

desplegada y con el modelo ejecutado. Se puede observar que los agentes 0 y

5 están en conflicto ya que en ambas listas de id-conflict aparece el agente

contrario. Al mismo tiempo ambos agentes están en conflicto con el agente 1.

28


Figura 9. Monitor de turtles con la simulación ejecutada

Para poder controlar el flujo de la simulación se han definido una serie de

variables globales. Estas variables se pueden utilizar por todos los

procedimientos definidos.

29


Figura 10. Variables globales

3.3 Flujo del modelo

Para ejecutar la simulación se ha habilitado el botón Setup que limpia todos

los datos de simulaciones anteriores e inicializa las variables globales con los

valores predeterminados y reinicia los ticks a cero.

El siguiente paso es el botón Go que ejecuta los procedimientos de creación

de las aeronaves, detección de colisiones, evasión y negociación para la

evasión de los conflictos. En las siguientes líneas se explicaran cada uno de los

procedimientos del modelo. También está la posibilidad de avanzar la

simulación por pasos a través del botón Step. Cada vez que se pulsa este botón

la simulación avanza un tick.

Para poder visualizar los datos que genera la simulación se genera una gráfica

con los costes que tiene que asumir cada aeronave al negociar la nueva

trayectoria libre de conflictos. Por otro lado se han creado monitores para

poder ver los costes individuales y el coste total que generan los movimientos.

El monitor total-conflicts indica los conflictos que existen en cada escenario.

El interruptor mostrar-trayectorias? nos permite ver las trayectorias libres de

conflicto. Al seleccionar la posición on los patches que conformas dichas

trayectorias cambiaran de color.

Por último el deslizador numt permite elegir el número de aeronaves que

conforman el escenario.

30


Figura 11. Captura de la ventana de ejecución del modelo

3.3.1 Algoritmo de detección

Es uno de los procedimientos con más peso de la simulación. La correcta

detección de las posibles amenazas y la proyección de sus trayectorias en el

futuro son esenciales para el funcionamiento del modelo.

El primer paso es preguntar a todos los agentes si existen otras aeronaves a

una distancia de 30 Nm. Si es así, se almacena el número identificador de cada

una en una lista global.

La siguiente acción que se ejecuta es almacenar la trayectoria del propio

agente en la lista lp y copiarla en una lista global de trayectorias de todos los

agentes. También se guarda el último patch de la trayectoria en la variable

last-p que servirá como referencia para volver a la trayectoria inicial una vez

resuelto el conflicto.

Por otro lado cada turtle crea un agente “invisible” y del mismo color en cada

patch de la trayectoria. Estos agentes “invisibles” serán necesarios en otro

procedimiento que se explicara más adelante.

Después se comparan las trayectorias almacenadas en la lista global con las

listas de cada agente para comprobar si existe un conflicto. Cabe destacar que

en esta comprobación con la lista global hay que excluir el propio agente ya

que si no se producirían coincidencias que no son reales.

Si se encuentra un patch común para dos agentes, este es almacenado en la

variable col1 de cada uno de ellos y la variable conflict se incrementa en uno.

También se actualizan las variables id-conflict, col2, m_distance y la variable

global total-conflicts.

31


Esta serie de pasos del algoritmo implica que desde el primer tick de la

simulación todos los agentes que se encuentran a 30 Nm uno de otro serán

conscientes de los conflictos que tienen y el tiempo que tardan en llegar hasta

el CPA 1con cada una de las aeronaves que están en la lista id-conflict.

A continuación se muestra el código del procedimiento:

Figura 12. Código del algoritmo de detección.

1 CPA (Closest point of approach).

32


3.3.2 Actualización del algoritmo de detección

Para asegurar que en cada momento la distancia mínima de separación no sea

violada se ha creado el procedimiento update-detection. Aquí es donde

cumplirán su función los agentes invisibles creados en el procedimiento

anterior.

El funcionamiento de este procedimiento es el siguiente: los agentes

invisibles que conforman la trayectoria de cada aeronave tienen un color

diferente de los demás agentes. Se preguntan a todos estos agentes si en un

radio de 5 Nm y una altura 1000 ft existen agentes de otro color visibles. Si

es así comparan el tiempo de llegada de cada aeronave hasta el patch de

conflicto y en caso de coincidencia llaman al procedimiento avoid-collision.

En la siguiente figura se observan los agentes en 30Nm de la trayectoria de

cada aeronave visibles a través de la propiedad hidden? que tienen los

agentes en Netlogo.

Figura 13. Agentes generados para la detección de intrusos.

33


3.3.3 Validación del algoritmo de detección

Para validar el algoritmo de detección se han realizado dos simulaciones de

escenarios extremos con dos aeronaves volando a la misma altitud.

Se ha habilitado un botón que modifica la coordenada “y” de una de las

aeronaves y de esta manera disminuye la distancia lateral entre ambas a

menos de 5 Nm. De esta manera el algoritmo debería detectar los patches

donde la distancia es menor que 5 Nm.

Debido a que son escenarios de validación, la acción que se pide a los agentes

que realicen es cambiar el color del patch en el que se pierde la separación

lateral mínima.

Escenario 1

Volando en la misma dirección

La figura muestra los patches de otro color donde la separación es por

debajo de 5 Nm. Si la coordenada “y” se cambia en 0.1 los agentes no

detectaran amenaza ya que la separación será respetada.

Figura 14. Captura del escenario 1 de la validación del algoritmo de detección.

34


Escenario 2

Volando en direcciones opuestas

En este escenario de manera similar al primero los patches en los que

no se guarda la separación mínima cambian de color. Se observa que

la distancia entre las aeronaves es 4,9959 y por lo tanto el intruso es

detectado.

Figura 15. Captura del escenario 1 de la validación del algoritmo de detección.

35


3.3.4 Negociación

En este procedimiento los agentes que están en conflicto hacen un proceso

de negociación para encontrar una solución viable para todos resolviendo los

conflictos existentes. Cada agente compara su altitud con los agentes que está

en conflicto inicialmente y les propone una maniobra vertical para

solucionarlos.

También se comparan las trayectorias con el resto de agentes en el escenario

para comprobar si el movimiento efectuado ha generado un nuevo conflicto

al resolver el inicial. Si los conflictos resueltos son mayores que los generados

se propone otra maniobra al siguiente agente hasta encontrar una solución

en la que el escenario quede libre de conflictos.

Los parámetros en función de los cuales se hace la negociación son los

siguientes:

Numero de movimientos efectuados; si un agente ya ha hecho varias

maniobras y en cambio el agente con el que está en conflicto no se ha

movido, el primero se resiste a moverse de nuevo ya que otro

movimiento aumentaría el coste total del vuelo.

Penalización por cada grado de incremento/decremento de pitch;

similar al parámetro anterior aumenta el coste total en función de los

grados de inclinación que son necesarios para evitar la colisión.

Variable stres; esta variable aumenta la presión sobre los agentes para

negociar de la manera más rápida posible. El coste de cada maniobra

incrementa de manera proporcional al incremento de la variable la cual

aumenta en una unidad después de cada iteración. Es decir cuánto más

tarden los agentes en ponerse de acuerdo más costosa será la maniobra

a efectuar para resolver el conflicto.

3.3.5 Recuperación de la trayectoria inicial – procedimiento Volver

Una vez solucionados los conflictos existentes las aeronaves recuperan la

trayectoria que tenían antes del comienzo de la negociación. El procedimiento

volver se encarga de guiar los agentes hacia un punto de la trayectoria inicial

que tenían asegurando que las separaciones mínimas sean respetadas. Así,

después de la resolución de los conflictos las aeronaves vuelven a sus

trayectorias óptimas.

36

CAPÍTULO 4. RESULTADOS OBTENIDOS

37


Capítulo 4. Resultados obtenidos

4.1 Escenario 1

4.2 Escenario 2

4.3 Escenario 3

38


39


Capítulo 4. Resultados obtenidos

En este proyecto se ha desarrollado un modelo de simulación utilizando

técnicas MAS para mejorar el sistema TCAS.

Aunque los datos para la simulación son académicos, se ha comprobado que

la simulación basada en agentes permite una comunicación autónoma entre

las aeronaves sin necesidad de un agente controlador. Las aeronaves tienen

la información suficiente sobre el tráfico en el entorno y pueden negociar una

resolución de los conflictos.

Para poder comparar los resultados y el impacto que supone la actitud de los

agentes a la hora de negociar se han modelado dos escenarios que tienen los

mismos agentes pero con comportamientos diferentes. En un caso los agentes

colaboran para encontrar la solución más eficiente para todos como conjunto.

En el otro caso los agentes tienen una actitud más “agresiva” y la solución que

buscan es la más eficiente a nivel individual.

A continuación se realizarán varias simulaciones y se analizarán los datos

obtenidos.

4.1 Escenario 1

El primer escenario es ejecutado con 4 aviones buscando una solución de los

conflictos de manera cooperativa. Es un escenario en el cual se generaría una

colisión inducida si fuera resuelto con la lógica del TCAS. Podemos observar

como los costes que generan las maniobras efectuadas por cada aeronave son

muy similares. Además la distancia de seguridad mínima es respetada entre

cada una de ellas.

Por otro lado no se ha generado ninguna colisión inducida ya que los agentes

han modificado sus trayectorias una vez comprobado que esta nueva

trayectoria no genera un nuevo problema.

40


Figura 16. Captura de la simulación del escenario 1

Figura 17. Captura del escenario 1 con las trayectorias libres de conflicto.

41


En la Figura 17 se muestran las trayectorias proyectadas de las aeronaves una vez resueltos los conflictos. Se observa claramente que las aeronaves volaran a niveles diferentes.

4.2 Escenario 2

En este escenario se han añadido dos aeronaves al escenario anterior. Los

agentes han encontrado una solución global eficiente a pesar de que los

conflictos han aumentado a 5. Aunque alguno de los agentes tiene un coste

superior a los demás, ninguno de ellos ha tenido que efectuar una maniobra

de evasión. Los cambios de las trayectorias son progresivos y las distancias

mínimas son respetadas.


42


Figura 19. Captura del escenario 2 con las trayectorias libres de conflicto.

De manera similar al escenario 1 la Figura 19 muestra las trayectorias libres de conflicto de todas las aeronaves después de la negociación.

4.3 Escenario 3

Este escenario contiene las mismas 6 aeronaves que el escenario 2. La

diferencia reside en que los agentes aquí tienen una actitud competitiva.

Mientras en el escenario anterior los agentes intentan ponerse de acuerdo, en

este cada uno intenta que se mueva otro agente sabiendo que puede llegar a

una situación extrema de evasión de conflicto que puede ser mucho más

costosa. Se observa en la figura siguiente como dos aeronaves cumplen un RA

para evitar la colisión. También se puede ver de la gráfica que la aeronave de

color azul ha hecho una maniobra brusca con el consecuente incremento de

coste.

43



Figura 21. Captura delas trayectorias del escenario 3

44


En la Figura 21 se observa claramente que algunas de las trayectorias

proyectadas no están libres de conflicto. En este caso los agentes tienen un

comportamiento competitivo y no están dispuestos a modificar sus

trayectorias.

45

CAPÍTULO 5. CONCLUSIONES Y LÍNEAS DETRABAJO FUTURAS

Capítulo 5. Conclusiones y líneas de trabajo futuras

5.1. Conclusiones

5.2. Líneas futuras de trabajo

46


47


Capítulo 5. Conclusiones y líneas de trabajo futuras

5.1. Conclusiones

El propósito de este trabajo era evaluar la aplicación de los sistemas basados

en agentas para mejorar el sistema TCAS. Aunque TCAS funciona de manera

fiable en los encuentros uno a uno, presenta deficiencias en los encuentros

multi-amenaza pudiendo generar colisiones inducidas. Se ha demostrado que

MAS son una herramienta útil y eficaz aplicada a la resolución de conflictos

en el espacio aéreo y en la mejora del sistema TCAS.

Para hacer frente a las previsiones de aumento de tráfico aéreo se tendrán

que aplicar nuevas técnicas de gestión de tráfico basadas en la automatización

y en la integración de los diferentes actores. Las técnicas MAS constituyen una

nueva línea de investigación y pueden ser un enfoque diferente en la

resolución de conflictos y evasión de colisiones.

5.2. Líneas futuras de trabajo

Para aproximar el modelo a la realidad hay algunas áreas que pueden ser

mejoradas.

En el algoritmo de detección de amenazas cada aeronave está creando

un agente invisible por cada patch en su trayectoria en las 30 Nm

siguientes. Se ha elaborado un gráfico para ver como degrada el

algoritmo en tiempo de ejecución a medida que se aumenta la distancia

de detección de intrusos. Podemos observar que el tiempo de ejecución

aumenta considerablemente con la distancia de detección. Esto es

debido a que el modelo tiene que crear tantos agentes como millas

náuticas de detección multiplicados por el número de aeronaves. Es

necesario llevar a cabo un estudio para ver cómo afectaría la fiabilidad

del algoritmo y el tiempo de ejecución si en vez de crear un agente cada

patch lo creamos cada 2 o 3 patches.

48


Figura 22. CPU time vs distancia de detección.

Una función de coste que pueda proyectar el coste total en función de

las decisiones actuales podría ser otro punto de mejora que influiría

considerablemente en las decisiones que toman los agentes.

En este modelo se asume que las aeronaves son de características

similares y no se aplican cambios de velocidad. En la negociación se

podría aplicar el cambio de pitch teniendo en cuenta las dimensiones

de las aeronaves. Tampoco se ha contemplado el efecto de la estela

turbulenta.

En este proyecto se tienen en cuenta solo los conflictos del sector actual

en el que estan las aeronaves. Se podrían considerar todos los

conflictos que han tenido las aeronaves a lo largo del trayecto desde el

despegue a la hora negociar los movimientos.

Otro aspecto a tener en consideración es si las aeronaves son de la

misma compañía o de la competencia. Diferentes normas se pueden

aplicar en este sentido ya que si dos aeronaves en conflicto son de la

misma compañía lo podrían resolver según normas internas de la

compañía. Sin embargo, si son aeronaves de diferentes compañías la

negociación será más compleja.

Por otro lado la negociación se puede llevar a nivel de compañías en

vez de aeronaves. Esto significa que a la hora de resolver un conflicto a

49


través de la negociación entre aviones de dos compañías distintas se

debería mirar el histórico de encuentros que han tenido a lo largo del

día, semana, mes los aviones de sus flotas y tomar las decisiones de

manera cooperativa o competitiva. En esta línea se podría tener en

consideración el poder de negociación de las compañías aéreas en

función del número de aeronaves que tienen, facturación, pertenencia

a algún grupo, etc.

Muchos estudios se están llevando a cabo para mejorar la capacidad del

TCAS para evitar colisiones. TCAS III, que todavía no está

implementado, considera la posibilidad de efectuar maniobras

horizontales para la resolución de conflictos. Incorporar este enfoque

al modelo actual podría mejorar la función del TCAS en la resolución de

los conflictos.

Por último se podría introducir un factor “competitividad” entre las

compañías aéreas. Si una compañía quiere eliminar un competidor del

mercado nunca negociara de manera cooperativa en la resolución de

los conflictos e intentara resolver el conflicto en beneficio propio y

perjudicando a la competencia en la mayor medida posible.

50

BIBLIOGRAFÍA

51

BIBLIOGRAFÍA

Bibliografía

52

BIBLIOGRAFÍA

Bibliografía

[1] Ana L.C.Bazzan and Franziska Klügl, “A review on agent-based

technology for traffic

and transportation”, 2014.

[2] James K. Kuchar and Lee C. Yang, “A Review of Conflict Detection and

Resolution Modeling Methods”, IEEE Transactions on Intelligent

Transportation Systems, Vol. 1, No. 4, December 2000, pp. 179-189.

[3] T.B. Billingsley, L.P. Espindle and J.D. Griffith, “TCAS Multiple Threat

Encounter Analysis”, October 2009.

[4] Jun Tang, Miquel Angel Piera, Yunxiang Ling, and Linjun Fan, Extended

Traffic Alert Information to Improve TCAS Performance by means of Causal

Models, June 2015.

[5] Shah et al. "Analyzing Air Traffic Management Systems Using Agent-based

Modeling and Simulation." 6th USA/Europe ATM R&D Seminar. 27-30 June

2005, Baltimore, MD.

[6] M. Ljungberg and A. Lucas, “The OASIS air traffic management system,” in

Proc. 2nd Pacific Rim Int. Conf. Artif. Intell., Seoul, Korea, 1992.

[7] B. N. Iordanova, “Air traffic knowledge management policy,” Eur. J. Oper.

Res., vol. 146, no. 1, pp. 83–100, Apr. 1, 2003.

[8] J. P. Wangermann and R. F. Stengel, “Distributed optimization and

principled negotiation for advanced air traffic management,” in Proc. IEEE Int.

Symp. Intell. Control Held Together With IEEE Int. Conf. Control Appl., IEEE

Int. Symp. Comput.-Aided Control Syst. Des. (Cat. No. 96CH35855), New York,

1996, pp. 156–161.

[9] J. P. Wangermann and R. F. Stengel, “Principled negotiation between

intelligent agents: A model for air traffic management,” Artif. Intell. Eng., vol.

12, no. 3, pp. 177–187, Jul. 1998.

[10] S. Wollkind, J. Valasek, and T. R. Ioerger, “Automated conflict resolution

for air traffic management using cooperative multiagent negotiation,” in Proc.

AIAA Guid., Navigat., Control Conf., 2004, pp. 1078–1088.

[11] Bo Chen and Harry H. Cheng, “A Review of the Applications of Agent

Technology in Traffic and Transportation Systems”, June 2010.

[12] Juan Carlos García Vázquez, Fernando Sancho Caparrini, “Netlogo una

herramienta de modelado”, 2015

53

BIBLIOGRAFÍA

[13] Jun Tang, “Causal models for analysis of TCAS-Indused collisions”, PhD

Thesis, 2015

[14] Youngrae Kim, Sangchul Lee, Keumjin Lee and Ja-Young Kang, “A

Development of 3-D Resolution Algorithm for Aircraft Collision Avoidance”,

Int’l J. of Aeronautical & Space Sci. 14(3), 272–281, 2013

[15] James K. Kuchar and Ann C. Drumm, “The Traffic Alert and Collision

Avoidance System”, 2007

Paginas web:

(1) http://www.aviator.tk/2016/03/traffic-alert-and-collision-

avoidance.html

(2) https://ccl.northwestern.edu/netlogo/

(3) http://www.eurocontrol.int/statfor

(4) http://www.skybrary.aero/index.php/Airborne_Collision_Avoidance_

System_(ACAS)

http://www.aviator.tk/2016/03/traffic-alert-and-collision-avoidance.html

http://www.aviator.tk/2016/03/traffic-alert-and-collision-avoidance.html

https://ccl.northwestern.edu/netlogo/

http://www.eurocontrol.int/statfor

http://www.skybrary.aero/index.php/Airborne_Collision_Avoidance_System_(ACAS)

http://www.skybrary.aero/index.php/Airborne_Collision_Avoidance_System_(ACAS)

MODELO DE SIMULACIÓN€¦ · Modelo conceptual de TCAS. Fuente [13] En la Tabla 1 se muestran los...

Documents

Transcript of MODELO DE SIMULACIÓN€¦ · Modelo conceptual de TCAS. Fuente [13] En la Tabla 1 se muestran los...